r - 从 agrep 中提取子字符串匹配

Question

我的目标是确定给定的文本中是否有target字符串，但我想允许拼写错误/小派生并提取“导致”的子字符串“匹配(用于进一步的文本分析)。

示例:

target <- "target string"
text <- "the target strlng: Butter. this text i dont want to extract."

所需输出:

我希望将 target strlng 作为输出，因为它非常接近目标(编辑距离为 1)。接下来我想使用 target strlng 来提取单词 Butter (这部分我已经介绍过，我只是添加它以获得详细的规范)。

我尝试过的:

使用 adist 不起作用，因为它比较两个字符串，而不是子字符串。

接下来我看了一下agrep，它看起来非常接近。我可以得到我的目标已找到的输出，但不能得到“导致”匹配的子字符串。

我尝试使用value = TRUE，但它似乎适用于数组级别。我认为我不可能切换到数组类型，因为我不能用空格分割(我的目标字符串可能有空格，...)。

agrep(
  pattern = target, 
  x = text,
  value = TRUE
)

Answer 1

使用aregexec，它类似于使用regexpr/regmatches(或gregexpr)进行精确匹配提取。

m <- aregexec('string', 'text strlng wrong')
regmatches('text strlng wrong', m)
#[[1]]
#[1] "strlng"

可以将其包装在使用 aregexec 和 regmatches 参数的函数中。请注意，在后一种情况下，函数参数 invert 位于点参数 ... 之后，因此它必须是命名参数。 p>

aregextract <- function(pattern, text, ..., invert = FALSE){
  m <- aregexec(pattern, text, ...)
  regmatches(text, m, invert = invert)
}

aregextract(target, text)
#[[1]]
#[1] "target strlng"

aregextract(target, text, invert = TRUE)
#[[1]]
#[1] "the "                                       
#[2] ": Butter. this text i dont want to extract."